Vår studie

Vi vill i denna studie bygga vidare på tidigare studier om hur redovisningen av finansiella instrument påverkar betavärde samt köp- och säljkurs. Vårt fokus ligger på Riedl & Serafeims (2009) studie, då vi valt att genomföra en liknande undersökning som deras fast på banker i Europa. Genom vår studie bidrar vi med ny kunskap genom att undersöka om informationsrisk, uttryckt som finansiella instrument värderade till verkligt värde enligt nivå 1, nivå 2 respektive nivå 3, har något samband med marknadsrisk respektive informationsasymmetri. I vår undersökning använder vi betavärde för att representera marknadsrisk och vi använder aktiens köp- och säljkurs för att representera informationsasymmetri.

26 4 PRAKTISK METOD

I detta kapitel förklarar vi hur vi praktiskt går tillväga vid utförandet av vår undersökning. Vi inleder med att motivera hur vi har valt ut de banker som ingår i studien, förklarar hur vi har fått tillgång till den information som undersökningen baseras på samt beskriver hur bortfall uppstår i vår undersökning. Sedan följer en redovisning av vår modell och hypotes för betavärde respektive köp- och säljkurs. För att öka läsaren förståelse av vår undersökning avslutas kapitlet med en förklaring av de statistiska metoder och begrepp som berörs i uppsatsen.

•Inledning

Kap 1

•Arbetets utgångs-punkter

Kap 2

•Teoretisk referens-ram_{Kap 3}

•Praktisk metod

Kap 4

•Empiri

Kap 5

•Analys och slutsatser

Kap 6

•Slut-diskussion

Kap 7

•Sannings-kriterier

Kap 8

27 4.1 Datainsamlingsmetod

Datainsamling kan baseras på två olika kategorier av data; primärdata eller sekundärdata. Primärdata innebär data som forskaren själv samlar in direkt från förstahandskällan exempelvis genom intervjuer, enkätundersökning eller strukturerade observationer. Sekundärdata, å andra sidan, syftar till information som redan är insamlat och sammanställt av andra forskare. (Bryman & Bell, 2005, s. 230-231) Vi har valt att basera vår undersökning på sekundärdata. Det finns både för- och nackdelar med att basera en undersökning på sekundärdata. Fördelar inkluderar tidsbesparingar, pengabesparingar, tillgång till data av hög kvalitet samt möjlighet till analyser av delmängder av data medan nackdelar inkluderar begränsad kunskap om materialet, datamängdens komplexitet samt brist på kontroll över kvaliteten på datamängden.

(Bryman & Bell, 2005, s. 231-239)

Vår undersökning baseras på sekundärdata i form av information från finansiella rapporter samt från Thomson Reuters finansiella databas Datastream. Vi anser att valet att använda sekundärdata som grund för vår undersökning var ett självklart val. Den information som vi behöver finns tillgänglig i årsrapporter och Datastream vilka båda är allmänt erkända källor och kan därmed betraktas som data av hög kvalitet. Vi anser att de nackdelar med användning av sekundärdata som identifieras ovan alla är försumbara i vår undersökning. Vi menar att vi har tillräcklig kunskap om de specifika delar av årsrapporterna samt Datastream som berörs i vår studie för att på ett tillförlitligt sätt hämta den information som vi eftersöker. Vidare är inte kontroll över kvaliteten på datamängden ett problem eftersom årsrapporter och Datastream som sagt är tillförlitliga källor. Ytterligare en faktor som stärker vårt val att använda sekundärdata är att Riedl &

Serafeims (2009), vilka har utfört en liknande studie med skillnaden att de analyserar storbanker i USA (studien beskrivs närmare i teorikapitlet), också baserar deras undersökning på sekundärdata.

4.2 Urval

Vid utförandet av en kvantitativ undersökning är det praktiskt taget aldrig möjligt att utföra en undersökning på hela den aktuella populationen som undersökningen syftar till. Istället används ett urval i form av ett stickprov av den totala populationen.

(Bryman & Bell, 2005, s. 109-110) Det finns inget definitivt svar på hur stor storleken på ett urval bör vara för att representera hela den aktuella populationen. Storleken på ett urval beror på ett flertal faktorer och överväganden och är ofta en kompromiss mellan önskad precision och ett antal andra faktorer som exempelvis tid. (Bryman & Bell, 2005, s. 121-122) Som en tumregel kan användas att ett urval som innehåller 30 eller fler observationer oftast är tillräckligt vid utförande av hypotestest (Anderson, Sweeney, Williams, Freeman, & Shoesmith, 2007, s. 305). Vi har valt att använda ett urval bestående av 40 storbanker i Europa. Vi valde urvalsstorleken 40 banker eftersom vi anser att detta är ett rimligt antal i förhållande till vår tidsram samtidigt som vi anser att denna storlek på urvalet kommer att göra det möjligt för oss att analysera trender samt dra önskade slutsatser. Vid beslutet om urvalsstorleken använde vi Riedl & Serafeims (2009) studie (vilken beskrivs närmare i teorikapitlet) som en måttstock. Riedl &

28 Serafeim (2009) använder ett urval bestående av 56 banker och utför deras undersökning baserat på data från alla tillgängliga kvartalsrapporter från början av 2007 till och med det andra kvartalet 2008. Vi har valt att använda ett något mindre urval samt att enbart fokusera på data från bankernas årsrapporter från 2009 främst på grund av vår tidsbegränsning.

Vi baserade valet av banker på dess storlek. Vi har valt att inkludera de 40 största bankerna i Europa, mätt efter tillgångar, i vårt urval. Urvalet är således ett icke-sannolikhetsurval eftersom urvalet inte har skett slumpmässigt och vissa enheter i populationen därför har större chans att inkluderas i urvalet (Bryman & Bell, 2005, s.

111). Urvalsmetoden är vidare ett bedömningsurval vilket kännetecknas av att forskaren väljer ut undersökningsenheter vilka bedöms vara intressanta för den aktuella studien (Lekvall & Wahlbin, 1993, s. 174). Vi utgick från en förteckning över Europas största banker vilken är uppdaterad 2010 (Harrison, 2010), listan finns bifogad i Appendix 2 och vår sökväg för att hitta den aktuella listan finns specificerad i Appendix 1. Vi inser att ett fåtal förändringar kan ha skett på denna lista under 2011, men eftersom vi fokuserar på storbanker i allmänhet anser vi att eventuella förändringar inte har någon större inverkan på vår studie.

Vårt val att fokusera på storbanker, och därigenom använda oss av ett bedömningsurval, grundade sig på ett antal olika anledningar. För det första följer alla storbanker i Europa redovisningsreglerna enligt IFRS, vilket är ett krav för vår studie. Storbanker har även större kvantitet finansiella tillgångar och skulder vilket medför att de ofta har betydande mängd finansiella instrument i alla tre värderingsnivåerna. Detta resulterar i större variation mellan de tre olika värderingsnivåerna och därigenom bättre underlag för vår analys. Upplysningar om fördelningen av finansiella tillgångar är också vanligtvis bättre hos storbanker och finansiella rapporterna är lättillgängliga. Vi anser vidare att de stora bankerna är viktiga att analysera eftersom dessa storbanker har stort inflytande på olika länder och dess ekonomier och det finns ett stort intresse av deras aktier.

Som vi nämnde tidigare använde vi den finansiella databasen Datastream för att inhämta data om bankerna. I Datastream finns 165 europeiska banker registrerade och vi har alltså valt att utföra vår undersökning på 40 av dessa. Vårt fokus ligger, som vi tidigare nämnt, på de största bankerna. Figur 4 visar ett stapeldiagram över i vilka länder bankerna i vårt urval har sina huvudkontor.

29

Figur 4. Länder i vilka bankerna i vårt urval har huvudkontor.

Bankerna finns vidare noterade på olika börser runt om i Europa. Figur 5 nedan visar ett stapeldiagram över motsvarande börser de 40 bankerna som är inkluderade i vårt urval är noterade på. Det är på data från dessa börser som Datastream baserar dess information om betavärden och spreads på.

Figur 5. Börser på vilka bankerna i vårt urval är noterade.

Vi har vidare valt att använda data från 2009 i vår undersökning eftersom årsrapporter från 2009 var de senast tillgängliga årsrapporterna som företagen hade publicerat vid tidpunkten för datainsamlingen. Årsrapporter från 2010 började publiceras under undersökningens gång, men eftersom vi ville genomföra vår undersökning effektivt och oberoende av ”sena” publikationer av årsrapporter valde vi att använda årsrapporterna från 2009. Vi anser dock att en studie baserad på år 2009 är lika intressant att studera som 2010 eftersom skillnader vad gäller innehav av finansiella instrument hos bankerna normalt inte varierar markant mellan åren. Vi använde således även betavärden samt köp- och säljkurser för 2009 för att matcha informationen från årsrapporterna.

0 1 2 3 4 5 6

Länder

0 1 2 3 4 5 6

Börser

30 4.3 Access

Access, det vill säga tillgängligheten till information från en aktuell källa, har inte varit ett problem vid utförandet av vår undersökning. All information som vi har grundat vår undersökning på är information som är publicerad och tillgänglig för allmänheten. Vi behöver därför inte beakta frågeställningar kring om urvalet givit oss ärliga svar eller om de vill dölja information. Företags årsrapporter såväl som Datastream är båda allmänt erkända källor och kan därmed betraktas som data av hög kvalitet.

4.4 Bortfall

Bortfall är en felkälla som inte rör urvalsprocessen utan som uppstår på grund av att information av någon anledning inte lämnas från någon i urvalet (Bryman & Bell, 2005, s. 111). I vår undersökning består bortfall främst av brist av information i de finansiella rapporterna om finansiella instrument värderade till verkligt värde enligt nivå 1, nivå 2 respektive nivå 3. Bortfall relaterat till vår studie kan även uppstå på grund av brist på tillgång till ett företags årsredovisning samt att företaget inte finns tillgängligt i Datastream. Av de 40 banker som vårt urval består av representerar sju av dessa banker bortfall, vilket redovisas mer utförligt i empirikapitlet.

4.5 Exempel; publicerad information om de tre värderingsnivåerna

Vi vill genom ett exempel visa vilken information som banker tillhandahåller om de tre värderingsnivåerna för finansiella instrument och hur det kan se ut bland noterna i deras finansiella rapporter. Vi har valt att visa ett urklipp från Swedbanks årsredovisning från 2009 med anledning av att de är en av bankerna i vårt urval där årsrapporten finns publicerad på svenska. Av de banker som vi har lyckats finna information om de tre värderingsnivåerna för finansiella instrument så ser utformningen av denna information ut på ungefär samma sätt. Figur 6 visar den information som Swedbank har tillgänglig i noterna om de tre olika värderingsnivåerna för finansiella instrument värderade till verkligt värde.

31

Figur 6. Swedbank, not 49. Källa: Swedbank Årsredovisning 2009, s. 102.

Av noterna i bankernas finansiella rapporter ges investeraren information om hur mycket eller hur stor andel av deras finansiella tillgångar respektive skulder som är värderade enligt de tre värderingsnivåerna. Bankerna ger allt som oftast också information om vilka typer av tillgångar och skulder som är värderade enligt de olika värderingsnivåerna vilket vi ser att Swedbank har visat. Vid sidan om den numeriska redovisningen så ger bankerna ofta även information om vad de tre värderingsnivåerna innebär i noterna. Swedbank tillhandahåller information att nivå 1 innehåller finansiella instrument där verkligt värde bestäms utifrån noterade marknadspriser på en aktiv marknad, nivå 2 innehåller finansiella instrument där verkligt värde bestäms utifrån värderingsmodeller som grundas på observerbar marknadsdata och att nivå 3 innehåller finansiella instrument där verkligt värde bestäms utifrån värderingsmodeller som baseras i huvudsak på observerbar marknadsdata men där egna uppskattningar också finns (Swedbank Årsredovisning 2009, s. 102). Detta är alltså en förklaring av de regler som finns angivna i IFRS och som de sedermera också följer. Vidare ger Swedbank en motivering till hur olika typer av finansiella instrument har värderats. Exempelvis har Swedbank motiverat skulden emitterade värdepapper på 142,3 mdkr som är värderad enligt nivå 3, att dessa emissioner skedde till unika villkor och inkluderade även garantiavgift till staten. Dessa skulder har baserats på observerbar interbankränta som justerats med skillnaden mellan interbankräntan och emissionsvillkoren som existerade vid emissionstillfället. (Swedbank Årsredovisning 2009, s. 102)

Swedbank har, liksom många andra europeiska banker, också specificerat en särskild upplysning om tillgångarna och skulderna som är värderade till nivå 3. Här ges

32 ytterligare information om hur nivå 3 har förändrats från föregående år, se Figur 7 nedan.

Figur 7. Swedbank, not 49. Källa: Swedbank Årsredovisning 2009, s. 103.

4.6 Upplägg av vår studie

4.6.1 Riedl & Serafeims (2009) studie

Vi har valt att använda ett arbete från Harvarduniversitetet, Massachusetts, USA, som utgångspunkt vid upplägget av vår undersökning (Riedl & Serafeims, 2009). Syftet med vår studie är, som vi tidigare specificerade i det inledande kapitlet, att undersöka om europeiska storbankers värdering av finansiella instrument har någon påverkan på investerares upplevda risk uttryckt som aktiers betavärde samt differensen mellan köp- och säljkurs. Riedl & Serafeim (2009) drar i deras studie slutsatsen att en sådan påverkan föreligger hos banker i USA. Eftersom vi vill testa om så är fallet även för banker i Europa följer vårt tillvägagångssätt sålunda deras studie. Modellerna som vi har använt bygger på de modeller som Riedl & Serafeim (2009) formulerade. Modellen för betavärde är likadan som deras med undantag för att vi inkluderade en konstant i modellen, vilket de inte gjorde. I vår modell för köp- och säljkurs är den beroende variabeln densamma, men vi valde att justera eller exkludera vissa av de oberoende variablerna för att anpassa modellen till vår studie. Vi använde vidare samma hypoteser som Riedl & Serafeim (2009) använde sig av.

För att undersöka om det finns något samband mellan informationsrisken uttryckt som andelen av finansiella instrument värderade till verkligt värde enligt nivå 1, nivå 2 respektive nivå 3 och investerares upplevda risk har vi valt att dela upp undersökningen i två delar, enligt upplägget på Riedl & Serafeims (2009) studie. Vi fokuserade först på investerares upplevda risk uttryckt som aktiekursens betavärde och dess relation till

33 värderingen av finansiella instrument för att sedan analysera investerares upplevda risk uttryckt som differensen mellan köp- och säljkurs och dess relation till värderingen av finansiella instrument.

4.6.2 Betavärde

Vid analysen av betavärdet startade vi med att formulera en hypotes. Vid formulerandet av hypotesen fokuserade vi på finansiella tillgångar. Vi kommer dock även att testa om samma samband föreligger även för finansiella skulder. Vid formulerandet utgick vi från antagandet att informationsrisken som investerare möter skiljer sig beroende på grunden för värderingen av finansiella tillgångar som finns i en portfölj, där oklarheten och därmed risken ökar med finansiella tillgångar värderade till verkligt värde enligt nivå 1, nivå 2 respektive nivå 3. Om värdering av finansiella tillgångar till verkligt värde enligt de tre olika nivåerna lämpligen fångar denna informationsrisk, och större oklarhet (marknadsrisk) resulterar i större informationsrisk, så förväntar vi oss att betavärdet kommer att öka med högre värderingsnivå. Vi formulerade därmed följande hypotes, angiven i alternativ form:

H1: En banks betavärde (för eget kapital) ökar med ökad oklarhet kring värdet av dess finansiella tillgångar, vilket mäts enligt värdering med nivå 1, nivå 2 respektive nivå 3.

Efter vi hade ställt upp hypotesen fortsatte vi med att ställa upp en modell. Vi utgick då, enligt vad vi beskrivit ovan, från Riedl & Serafeims (2009) modell. Nedan presenteras först en härledning av modellen och sedan presenteras modellen med begreppsförklaringar.

Tillgångar = eget kapital + skulder.

Uppdelning av tillgångarna.

För att erhålla justerat betavärde divideras varje term med tillgångarna.

Utbrytning av justerat betavärde.

Notera att skuldsättningsgraden kan delas upp på samma sätt som tillgångarna.

Formel 3. Härledning av modell för betavärde.

Beroende variabel:

= justerat betavärde för eget kapital Oberoende variabler, experimentella variabler:

= konstant (intercept)

= finansiella tillgångar värderade till verkligt värde enligt nivå 1 / tillgångar

34 = finansiella tillgångar värderade till verkligt värde enligt nivå 2 / tillgångar = finansiella tillgångar värderade till verkligt värde enligt nivå 3 / tillgångar Oberoende variabler, kontrollvariabler:

= övriga tillgångar (som inte värderas till verkligt värde) / tillgångar = skuldsättningsgraden

Slump variabel:

= slump variabel

Motsvarande variabler för finansiella skulder:

= finansiella skulder värderade till verkligt värde enligt nivå 1 / tillgångar = finansiella skulder värderade till verkligt värde enligt nivå 2 / tillgångar = finansiella skulder värderade till verkligt värde enligt nivå 3 / tillgångar = övriga skulder (som inte värderas till verkligt värde) / tillgångar

Formel 4. Modell för betavärde.

I modellen ovan representerar α₀ en konstant som erhålls vid regressionsanalysen som genomförts i SPSS. Riedl & Serafeim (2009) valde att exkludera denna konstant i deras modell för betavärde. Vi har dock valt att inkludera denna variabel eftersom den visar sig vara signifikant i modellen, vilket utförligare beskrivs i empirikapitlet. Vidare representerar α1 – α5 koefficienterna för respektive variabel som erhålls i regressionsanalysen. Vid analysen fokuserar vi främst på koefficienterna för finansiella tillgångar värderade till verkligt värde enligt de tre olika värderingsnivåerna (α₁ – α₃).

För dessa förutspår vi, i enlighet med vår hypotes, en ökande storlek på koefficienterna över värderingsnivåerna för finansiella tillgångar värderade till verkligt värde (VVT1, VVT2, VVT3), det vill säga lägst koefficient för nivå 1 och högst koefficient för nivå 3.

Vi kommer även att analysera koefficienterna för finansiella skulder. Här förutspår vi, i enlighet med Riedl & Serafeim (2009), ökande negativa koefficienter över värderingsnivåerna (VVS1, VVS2, VVS3), det vill säga minst negativ koefficient för nivå 1 och mest negativ koefficient för nivå 3. Vi förutspår negativa koefficienter för de finansiella skulderna med anledning av att när skulderna ökar i förhållande till tillgångarna så minskar eget kapital i förhållande till tillgångarna. Således bidrar högre andel skulder till att det justerade betavärdet minskar (β_adj = β_EK(EK/T)).

De övriga två oberoende variablerna, vilka även var inkluderade i Riedl & Serafeims (2009) modell, utgör kontrollvariabler. Kontrollvariabler inkluderas i modellen i syfte att kontrollera bort variabler som kan påverka det egentliga sambandet. Det är diskutabelt om kontrollvariabeln skuldsättningsgrad bör inkluderas i modellen eller inte eftersom den beroende variabeln (Beta_adj) redan är justerad för skuldsättningen.

Variabeln är dock endast inkluderad i en av våra regressioner. Vid utförandet av de statistiska testerna i SPSS är den beroende variabeln, Beta_adj, känd och det är sålunda koefficienterna för de oberoende variablerna som erhålls.

35 Vi använde årsrapporter från 2009, alltså bokfört värde, för att mäta finansiella instrument värderade till verkligt värde enligt nivå 1, nivå 2 respektive nivå 3. De bokförda värdena är avsedda att spegla marknadsvärdena. För att vara konsekventa använde vi bokfört värde även för att mäta eget kapital, skulder samt andra tillgångar som inte värderas till verkligt värde. Betavärden för eget kapital för 2009 hämtade vi från Datastream. Datastream jämför varje enskild banks avkastning med olika index, det vill säga olika marknader, vilket får betydelse för vad betavärdet blir. Vi kommer ihåg från teorikapitlet att betavärdet kan beräknas med formeln:

Formel 5. Beräkning av betavärde.

där alltså R_m är marknadens avkastning. Datastream jämför varje bank med ett index (marknad) som normalt används för att jämföra hur bankens avkastning är i förhållande till andra företag. Exempelvis används OMX affärsvärldens generalindex som marknadens avkastning och således även för uträkning av betavärdet för de svenska bankerna som ingår i vårt urval. Vid sammanställandet av data använde vi dataprogrammet Microsoft Office Excel.

Eftersom vi har valt att fokusera vår studie på hela Europa, och inte ett specifikt land, används olika valutor i bankernas årsredovisningar. Att informationen i årsredovisningarna anges i olika valutor är dock inte ett problem i vår studie av betavärdet eftersom vår analys baseras på relativa siffror uttryckt i procenttal, vilket framgår i modellen ovan där varje variabel divideras med totala tillgångar.

4.6.3 Köp- och säljkurs

Liksom vid analysen av betavärde startade vi även analysen av köp- och säljkurs med att formulera en hypotes. Vid formulerandet av hypotesen fokuserade vi, liksom för betavärdet, på finansiella tillgångar men vi kommer även att analysera eventuella samband för finansiella tillgångar tillsammans med finansiella skulder. Vid formulerandet utgick vi från antagandet att informationsrisken skiljer sig beroende på grunden för värderingen av finansiella tillgångar som finns i en portfölj, där illikviditeten och därmed risken ökar med finansiella tillgångar värderade till verkligt värde enligt nivå 1, nivå 2 respektive nivå 3. Om värdering av finansiella tillgångar till verkligt värde enligt de tre olika nivåerna lämpligen fångar denna informationsrisk, och högre illikviditet (informationsasymmetri) resulterar i större informationsrisk, så förväntar vi oss att skillnaden mellan köp- och säljkurs kommer att öka med värdering högre värderingsnivå. Vi formulerade till följd därav följande hypotes, angiven i alternativ form:

H1: Skillnaden mellan en banks köp- och säljkurs ökar med ökad illikviditet av dess finansiella tillgångar, vilket mäts enligt värdering med nivå 1, nivå 2 respektive nivå 3.

Efter att hypotesen var formulerad fortsatte vi med att ställa upp en modell som, enligt vad vi beskrivit ovan, tar sin utgångspunkt från Riedl & Serafeims (2009) modell.

36

Motsvarande variabler för sammanlagda finansiella tillgångar och skulder:

Motsvarande variabler för sammanlagda finansiella tillgångar och skulder: